从一个关键词开始
搜名称,也可以搜场景,比如“AI 写作”“视频剪辑”或“编程助手”。
文章 1
工具 2
AI热点 189
NarrativeBench基准评测14个LLM叙事导航能力AI热点arXiv提交新基准NarrativeBench,评测14个LLM在23种语言下的多元叙事导航能力,发现现有模型普遍不足。
MemoryDojo基准评测智能体记忆投毒AI热点MemoryDojo基准通过155条多会话轨迹评测五种LLM智能体记忆系统在投毒攻击下的安全性,发现所有系统均易受影响。
两篇论文揭示LLM防护评测证据缺口AI热点新研究分析85项LLM防护评测,发现多数缺少关键证据,且实测显示NeMo Guardrails拦截密码泄露时客户端仍能收到密码。
Anthropic公开安全评测方法:跨配置差34点AI热点Anthropic公开AI安全评测方法论,指出同一模型在API与加系统提示配置下安全分数最多相差34个百分点。
MOSS-Live全双工评测:六项指标居首AI热点OpenMOSS发布MOSS-Live全双工评测解读,六项指标居参评模型首位。
Visual Cipher Bench评测8个模型视觉推理AI热点新基准Visual Cipher Bench用40个视觉谜题评测8个前沿模型,最强的GPT-6 Astra准确率仅26.7%,提供机制提示后可大幅提升。
GTAGym发布GTA V任务评测与RL基准AI热点GTAGym提出基于GTA V任务的评测与强化学习环境,含103个在线任务基准,最佳配置达70.9%准确率。
Ai2开源机器人评测框架ToyBlocksAI热点Ai2发布FoundationWorlds框架及首个受控环境ToyBlocks,用于机器人学习与评测研究。
OpenAI研究:智能体评测与生产行为存差距AI热点OpenAI Alignment团队对比六个模型在安全评测与Codex生产决策上的表现,发现评测成功率普遍低于生产,差距10.2至37.4个百分点,模型对评测目标的误判是关键因素。
Databricks发布AI Index公开企业AI评测AI热点Databricks推出AI Index,公开企业AI使用与编码智能体评测数据,每周更新。
西湖大学发布Awomo-0.5,6项评测登顶AI热点西湖大学成立世界模型研究中心,施一公揭牌,同时发布40亿参数通用物理世界模型Awomo-0.5,在6项国际公开评测中登顶。
ARC Prize公布Fable 5.2评测成绩AI热点ARC Prize公布Claude Fable 5.2在ARC-AGI-2取得93.8%,为第三高模型成绩,并披露各基准得分与评测成本。
谷歌发布T2J-Bench迁移评测基准AI热点谷歌团队发布T2J-Bench,用63个整仓任务评测PyTorch到JAX迁移,TwinHarness将得分提升11.4%。
SLDBench v2发布:AI自主选实验评测AI热点研究团队发布SLDBench v2,让AI在付费实验目录中自主选择实验以发现Scaling Law,评测显示8个前沿模型自主选实验时成绩全部下滑,Claude Opus 5.5以4%成本取得最佳精度。
新论文指面部隐私方法90%保护率评测有缺陷AI热点arXiv论文指出已发布面部隐私方法的90%以上保护率源于有缺陷的评测协议,重新评估后标准迁移攻击规避保护率损失56%。
GDP_xlsx基准发布:Gemini 4 Argon通过率38.3%AI热点新基准GDP_xlsx用70个真实职场Excel任务评测20个模型配置,Gemini 4 Argon以38.3%通过率居首,中位数仅19.3%。
CMU新基准:Opus 5.5智能体得分1.25登顶AI热点CMU论文Singularity-Bench评测11个智能体,Opus 5.5+Claude Code以1.25分领先,其推理引擎每GPU小时收益超SGLang。
XStack基准发布:测智能体跨生态迁移代码AI热点研究人员发布XStack基准,评测AI智能体将PyTorch仓库迁移至JAX/TPU的能力,Claude Opus 5通过率75%居首。
MCPHallu基准测MCP智能体三类幻觉AI热点新基准MCPHallu评测MCP智能体在推理、执行、记忆三轴的幻觉失败,覆盖358任务与14个前沿模型。
ServerBench发布:智能体设计LLM服务系统AI热点arXiv论文提出ServerBench基准,评测编码智能体设计专用LLM服务系统的能力,Claude Sonnet 5.5表现领先。
开源项目 43
Wall-X:WALL 系列具身模型训练与推理代码开源项目WALL 系列开源具身基础模型的训练与推理代码库,含数据准备、服务与评测工具。查看
VibeThinker:小参数量推理模型系列开源项目开源的 1.5B 与 3B 稠密推理模型仓库,基于 Qwen2.5-Coder,面向数学、竞赛编程等可验证推理任务,附技术报告与评测入口。查看
Modern Web Guidance:面向编程助手的 Web 技能源码库开源项目将现代 Web API、浏览器兼容性和开发实践整理为编程助手可调用的技能;此仓库用于编写、校准和评测这些内容。查看
nanochat:单节点LLM训练实验框架开源项目覆盖分词、预训练、微调、评测与推理全流程的极简LLM训练框架,通过单一深度参数配置模型规模。查看
openai/math:模型产出的数学手稿与 Lean 形式化开源项目OpenAI 内部模型在开放研究问题上产出的数学手稿、证明材料与部分 Lean 形式化库。查看
Yuan3.0 Flash:40B MoE 多模态基础模型开源项目YuanLab.ai 团队发布的 40B 参数 MoE 多模态大语言模型,每次推理激活约 3.7B 参数,支持 128K 上下文。查看
dInfer:扩散语言模型推理框架开源项目面向 dLLM 的高效可扩展推理框架,将推理拆分为模型、扩散迭代管理器、解码器与 KV 缓存管理器四个组件,支持批量推理。查看
LMT:中英为中心的多语机器翻译模型开源项目覆盖60种语言、234个翻译方向的LLM多语翻译模型系列,含0.6B至8B四种规格及配套SFT数据。查看
Pixel LLMs:像素级视觉定位的多模态模型系列开源项目以Sa2VA为核心的多模态LLM研究项目集合,将SAM-2与MLLM结合,实现图像和视频的密集定位理解。查看
HY-SOAR:扩散模型的免奖励自纠错后训练方法开源项目面向 rectified-flow 扩散模型的免奖励后训练方法,在出错的时间步上直接纠正去噪轨迹。查看
HY-WorldPlay:实时交互式世界模型开源项目HY-World 1.5(WorldPlay)是实时交互式世界模型,以流式视频扩散生成24 FPS长时序一致的可操控视频,并开源训练与推理代码。查看
DFlash:块扩散投机解码草稿模型开源项目面向投机解码的轻量块扩散模型,支持多款开源基座的并行草稿生成与多种推理后端。查看
PageIndex:基于推理的无向量RAG引擎开源项目用层级树索引加LLM推理替代向量检索,不需向量数据库和分块,面向长篇专业文档问答。查看
Hy-MT2:多语言翻译模型系列开源项目腾讯混元的“快思考”多语言翻译模型系列,含 1.8B、7B、30B-A3B 三种规格,支持 33 种语言互译。查看
Unlimited-OCR:超长文档解析OCR模型开源项目百度的OCR模型项目,用SR-SWA把超长序列的图文注意力压缩为固定大小工作参考,实现有限上下文内的无界文档解析。查看
lingbot-map:流式 3D 重建模型与推理代码开源项目面向流式 3D 重建的前馈基础模型,通过几何上下文 Transformer 在单一流式框架中统一坐标定位、稠密几何线索与长程漂移校正。查看
supermimic_vibed:SuperMimic 论文的非官方复现开源项目在 Isaac Lab 3(kit-less、MuJoCo-Warp)上非官方复现 SuperMimic 论文的人形机器人全身控制实验,含训练策略与世界模型检查点。查看
DeepSeek-OCR:视觉-文本压缩OCR模型开源项目从LLM视角研究视觉编码器的OCR模型,支持多种原生分辨率与动态分辨率模式,可用vLLM推理。查看
MOSS-TTS-Nano:0.1B 参数多语言轻量语音合成模型开源项目开源多语言 tiny TTS 模型,0.1B 参数,支持 CPU 流式推理、声音克隆、ONNX 部署与微调。查看
LongCat-Image:中英双语图像生成基础模型开源项目6B 参数的开源中英双语文生图与图像编辑模型,提供中间检查点与完整训练代码,支持 Diffusers 和 ComfyUI。查看

